线性相关性
给定一组向量 x ⃗ 1 , x ⃗ 2 , x ⃗ 3 , . . . , x ⃗ n \vec{x}_1,\vec{x}_2,\vec{x}_3,...,\vec{x}_n x1,x2,x3,...,xn,如果存在不全为0的数 c 1 , c 2 , c 3 , . . . , c n c_1,c_2,c_3,...,c_n c1,c2,c3,...,cn,使得 c 1 x ⃗ 1 + c 2 x ⃗ 2 + . . . + c n x ⃗ n = 0 c_1\vec{x}_1+c_2\vec{x}_2+...+c_n\vec{x}_n=0 c1x1+c2x2+...+cnxn=0则称这组向量线性相关,否则称其线性无关
设
v
⃗
1
,
.
.
.
v
⃗
n
\vec{v}_1,...\vec{v}_n
v1,...vn是矩阵
A
A
A的列向量(组成列空间
C
(
A
)
C(A)
C(A))
当
A
A
A的零空间
N
(
A
)
N(A)
N(A)仅包含零向量时,这些列向量线性无关,矩阵A的秩
r
(
A
)
=
n
r(A)=n
r(A)=n,
C
(
A
)
C(A)
C(A)的维数是
n
n
n
否则,这些列向量线性相关,矩阵A的秩
r
(
A
)
<
n
r(A)<n
r(A)<n,
C
(
A
)
C(A)
C(A)的维数
<
n
<n
<n
(秩是矩阵才有的概念,对应向量组的维数)
(回忆秩的定义:矩阵 A A A的主列数目)
基
给定一组向量 v ⃗ 1 , v ⃗ 2 , . . . v ⃗ d \vec{v}_1,\vec{v}_2,...\vec{v}_d v1,v2,...vd,如果满足
1)线性无关
2)可以生成(通过线性组合)一个向量空间 p p p
则称这组向量是空间 p p p的一组基
1)一个空间的基有无数组
2)一个空间的所有基向量个数相等,称为这个空间的维数(如定义里空间
p
p
p的维数是
d
d
d)
四个基本子空间
给定一个矩阵 A m × n A_{m\times n} Am×n,可以构造如下4种基本子空间
名称 | 符号 | 维数 | 基 |
---|---|---|---|
列空间 | C ( A ) C(A) C(A) | r r r | 消元后得到的 r r r个主列 |
零空间 | N ( A ) N(A) N(A) | n − r n-r n−r | 消元后得到的 n − r n-r n−r个自由列 |
行空间 | C ( A T ) C(A^T) C(AT) | r r r | 最简型 R R R的前 r r r行 |
左零空间 | N ( A T ) N(A^T) N(AT) | m − r m-r m−r | 左乘 E E E矩阵的后 m − r m-r m−r行 |
- 矩阵列空间的维数 = 行空间的维数=矩阵的秩
- 列空间的秩与零空间的秩参考线性代数(1)的“零空间”
行空间
初等行变换化简
A
=
[
1
2
3
1
1
1
2
1
1
2
3
1
]
⇒
[
1
2
3
1
0
−
1
−
1
0
0
0
0
0
]
⇒
[
1
0
1
1
0
1
1
0
0
0
0
0
]
(1)
A=\left[\begin{matrix}1&2&3&1\\1&1&2&1\\1&2&3&1\end{matrix}\right]\Rightarrow \left[\begin{matrix}1&2&3&1\\0&-1&-1&0\\0&0&0&0\end{matrix}\right]\\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \Rightarrow \left[\begin{matrix}1&0&1&1\\0&1&1&0\\0&0&0&0\end{matrix}\right] \tag{1}
A=⎣⎡111212323111⎦⎤⇒⎣⎡1002−103−10100⎦⎤ ⇒⎣⎡100010110100⎦⎤(1)
式(1)第一行最右的矩阵是常见的阶梯型,根据该矩阵就可以获知主列和自由列的情况
第二行的矩阵是最简型
R
R
R
因为 R R R是由 A A A行向量通过线性变换得到的,因此并没有改变行空间 C ( A T ) C(A^T) C(AT),非0行就是行空间的基,非0行的数量就是行空间的维数(同时也是列空间的维数)
左零空间
先解释“左零”的由来:
N
(
A
T
)
N(A^T)
N(AT)表示的是
A
T
X
=
0
A^TX=0
ATX=0的解空间,而
A
T
X
=
0
⇒
(
A
T
X
)
T
=
0
⇒
X
T
A
=
0
(2)
A^TX=0\Rightarrow (A^TX)^T=0\Rightarrow X^TA=0 \tag{2}
ATX=0⇒(ATX)T=0⇒XTA=0(2)
左零空间的基可以通过先转置
A
A
A然后求其自由列获得,也可以由以下方式获得:
以(1)式的
A
A
A为例
1)初等行变换
[
A
m
×
n
∣
I
m
×
m
]
[A_{m\times n}|I_{m\times m}]
[Am×n∣Im×m],左侧消元为最简型
R
⇒
[
R
m
×
n
∣
E
m
×
m
]
R\Rightarrow [R_{m\times n}|E_{m\times m}]
R⇒[Rm×n∣Em×m]
[
1
2
3
1
1
0
0
1
1
2
1
0
1
0
1
2
3
1
0
0
1
]
⇒
[
1
0
1
1
−
1
2
0
0
1
1
0
1
−
1
0
0
0
0
0
−
1
0
1
]
(3)
\left[\begin{array}{lccr|lcr}1&2&3&1&1&0&0\\1&1&2&1&0&1&0\\1&2&3&1&0&0&1\end{array}\right]\Rightarrow \left[\begin{array}{lccr|ccr}1&0&1&1&-1&2&0\\0&1&1&0&1&-1&0\\0&0&0&0&-1&0&1\end{array}\right] \tag{3}
⎣⎡111212323111100010001⎦⎤⇒⎣⎡100010110100−11−12−10001⎦⎤(3)
可以验证,
E
A
=
R
EA=R
EA=R
2)取
E
E
E的后
m
−
r
m-r
m−r行即为基
对比
E
A
=
R
EA=R
EA=R与式(2),可以发现
E
E
E的最后
m
−
r
m-r
m−r行可以使得
A
A
A的左乘为0
在式(3)的例子中就是最后
3
−
2
=
1
3-2=1
3−2=1行
[
−
1
0
1
]
[-1\ 0\ 1]
[−1 0 1]为
N
(
A
T
)
N(A^T)
N(AT)的基
矩阵空间
向量空间表示的是一个对向量加法和数乘封闭的向量集合,实际上空间这个概念可以扩展:
由于矩阵也支持加法和数乘计算,因此
对矩阵加法和数乘封闭的矩阵集合组成矩阵空间
记
M
M
M为
3
×
3
3\times 3
3×3的矩阵空间,显然对应的基有9个,可以为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
1
0
0
0
0
0
0
0
]
,
.
.
.
,
[
0
0
0
0
0
0
0
0
1
]
(4)
\left[\begin{matrix}1&0&0\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&1&0\\0&0&0\\0&0&0\end{matrix}\right],...,\left[\begin{matrix}0&0&0\\0&0&0\\0&0&1\end{matrix}\right] \tag{4}
⎣⎡100000000⎦⎤,⎣⎡000100000⎦⎤,...,⎣⎡000000001⎦⎤(4)
记
S
S
S为
3
×
3
3\times 3
3×3的对称矩阵组成的矩阵空间,显然
S
S
S是
M
M
M的子空间,对应的基有6个,可以为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
,
[
0
1
0
1
0
0
0
0
0
]
,
[
0
0
1
0
0
0
1
0
0
]
,
[
0
0
0
0
0
1
0
1
0
]
(5)
\left[\begin{matrix}1&0&0\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&1&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&0&0\\0&0&1\end{matrix}\right],\left[\begin{matrix}0&1&0\\1&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&1\\0&0&0\\1&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&0&1\\0&1&0\end{matrix}\right] \tag{5}
⎣⎡100000000⎦⎤,⎣⎡000010000⎦⎤,⎣⎡000000001⎦⎤,⎣⎡010100000⎦⎤,⎣⎡001000100⎦⎤,⎣⎡000001010⎦⎤(5)
记
U
U
U为
3
×
3
3\times 3
3×3的上三角矩阵组成的矩阵空间,
U
U
U是
M
M
M的子空间,对应的基有6个,可以为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
,
[
0
1
0
0
0
0
0
0
0
]
,
[
0
0
1
0
0
0
0
0
0
]
,
[
0
0
0
0
0
1
0
0
0
]
(6)
\left[\begin{matrix}1&0&0\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&1&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&0&0\\0&0&1\end{matrix}\right],\left[\begin{matrix}0&1&0\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&1\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&0&1\\0&0&0\end{matrix}\right] \tag{6}
⎣⎡100000000⎦⎤,⎣⎡000010000⎦⎤,⎣⎡000000001⎦⎤,⎣⎡000100000⎦⎤,⎣⎡000000100⎦⎤,⎣⎡000000010⎦⎤(6)
记
D
D
D为
3
×
3
3\times 3
3×3的对角矩阵组成的矩阵空间,
D
D
D是
M
M
M的子空间,同时也是
S
S
S和
U
U
U的交集,对应的基有3个,可以为:
[
1
0
0
0
0
0
0
0
0
]
,
[
0
0
0
0
1
0
0
0
0
]
,
[
0
0
0
0
0
0
0
0
1
]
(7)
\left[\begin{matrix}1&0&0\\0&0&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&1&0\\0&0&0\end{matrix}\right],\left[\begin{matrix}0&0&0\\0&0&0\\0&0&1\end{matrix}\right] \tag{7}
⎣⎡100000000⎦⎤,⎣⎡000010000⎦⎤,⎣⎡000000001⎦⎤(7)
秩1矩阵
任何一个秩为1的矩阵都可以分解为列向量与行向量的乘积,即 A = U V T A=UV^T A=UVT
令
A
=
[
1
4
5
2
8
10
]
A=\left[\begin{matrix}1&4&5\\2&8&10\end{matrix}\right]
A=[1248510],有
A
=
[
1
4
5
2
8
10
]
=
[
1
2
]
[
1
4
5
]
(8)
A=\left[\begin{matrix}1&4&5\\2&8&10\end{matrix}\right]=\left[\begin{matrix}1\\2\end{matrix}\right]\left[\begin{matrix}1&4&5\end{matrix}\right] \tag{8}
A=[1248510]=[12][145](8)
正交向量
两条向量正交的充要条件是 X T Y = 0 X^TY=0 XTY=0
设
X
X
X和
Y
Y
Y分别是直角三角形的两条直角边,显然有
∣
∣
X
∣
∣
2
+
∣
∣
Y
∣
∣
2
=
∣
∣
X
+
Y
∣
∣
2
⇒
X
T
X
+
Y
T
Y
=
X
T
X
+
Y
T
Y
+
2
X
T
Y
⇒
X
T
Y
=
0
(9)
||X||^2+||Y||^2=||X+Y||^2\\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \Rightarrow X^TX+Y^TY=X^TX+Y^TY+2X^TY\\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \Rightarrow X^TY=0 \tag{9}
∣∣X∣∣2+∣∣Y∣∣2=∣∣X+Y∣∣2 ⇒XTX+YTY=XTX+YTY+2XTY ⇒XTY=0(9)
如果两个子空间 A A A与 B B B正交,那么 A A A中的任意向量与 B B B的任意向量正交
由此可得:行空间 C ( A T ) C(A^T) C(AT)正交于零空间 N ( A ) N(A) N(A)